CN115577860A - 基于自适应调控的轨道交通智能维保方法及系统 - Google Patents

基于自适应调控的轨道交通智能维保方法及系统 Download PDF

Info

Publication number
CN115577860A
CN115577860A CN202211454937.7A CN202211454937A CN115577860A CN 115577860 A CN115577860 A CN 115577860A CN 202211454937 A CN202211454937 A CN 202211454937A CN 115577860 A CN115577860 A CN 115577860A
Authority
CN
China
Prior art keywords
model
kalman filtering
rail transit
risk factor
fusion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211454937.7A
Other languages
English (en)
Other versions
CN115577860B (zh
Inventor
王超
孙家伟
翟俊杰
许一源
王乾丞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Metro Operation Consulting Technology Development Co ltd
Original Assignee
Nanjing Metro Operation Consulting Technology Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Metro Operation Consulting Technology Development Co ltd filed Critical Nanjing Metro Operation Consulting Technology Development Co ltd
Priority to CN202211454937.7A priority Critical patent/CN115577860B/zh
Publication of CN115577860A publication Critical patent/CN115577860A/zh
Application granted granted Critical
Publication of CN115577860B publication Critical patent/CN115577860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G06Q50/40—

Abstract

本发明公开了一种基于自适应调控的轨道交通智能维保方法及系统，包括摄像检测单元、超声探伤单元、冲击检测单元、预测模型单元，在预测模型单元中，将第一kalman滤波估计值进入到RNN网络模型的反向传播过程中进行计算；将第二kalman滤波估计值进入到LSTM网络模型的反向传播过程中进行计算；同时通过第二kalman滤波估计值对融合层的权重进行自适应更新，得到更新后的融合估计风险因子，本发明不仅系统鲁棒性高，而且估计精度高。

Description

基于自适应调控的轨道交通智能维保方法及系统
技术领域
本发明涉及一种基于自适应调控的轨道交通智能维保方法及系统，属于智能监测技术领域。
背景技术
近年来，城市轨道交通企业运用互联网、大数据、物联网、云计算、人工智能、故障预测与健康管理等技术，在城市轨道交通智能维保领域进行探索，智能维保逐渐成为行业焦点。针对车辆智能运维系统，上海地铁通过车联网技术与数字图像处理融合，将列车检修周期由日检调整为8日检，较之前新线运营服务水平提升63.7%。针对弓网、轮轨等实时监测，各地通过对列车走行部、线路、受电弓和信号系统等多种行车关键设备工况的实时监测，实现运维辅助决策。广州地铁利用车载综合检测可减少80%的轨道巡检人工成本，道床异物等缺陷检出率可达100%；东莞地铁利用弓网、轮轨等监测管理系统探索故障预警，并将检测数据与运营管理平台数据共享，为智能维保提供依据和参考；香港地铁利用信息化系统实时监控，提高了维修工作效率，从生产、预算、维修、人员、客流等方面为管理层提供信息并辅助科学决策。
以车辆系统为例，在紧张的运营压力下，如何进一步提升维修效率、提高轨道车辆产品的可用性、延长产品的使用寿命，是当前维保系统的迫切需求。为充分提高车辆系统运维工作效率和水平，准确查找、判定车辆系统隐患，有效控制和减少车辆故障对正线运营影响，各单位利用车联网、轨旁监测、车载监测等技术手段，对列车车辆外表故障、磨耗件尺寸、走行部温度以及关键部件状态等进行监测，有效减少车辆系统故障，保证车辆全生命周期安全性和可靠性。
车载监测方面，深圳、西安、哈尔滨、沈阳、兰州等城市利用车载监测技术获取列车走行部轴承、传动齿轮、轮对踏面和构架的振动、冲击及温度信息，实现部件故障早期预警和分级报警，定期分析轮轨振动数据，监测全线路轨道状态；受电弓及车顶异常动态监视方面，郑州、兰州等城市利用动态监视和预警系统，对车顶受电弓、绝缘子、避雷器、空调机组、天线等关键部件进行高清监视和记录，实现对车顶故障的自动检测并预警，包含车顶异物、车顶关键部件形变和丢失等；蓄电池监测方面，厦门等城市利用蓄电池在线监测系统对单体电池、电池组的电压、电流、内阻等进行监测，当电池参数出现异常时将及时报警。
尽管城市轨道交通运营单位利用多种车辆监测技术和系统监测车辆运行状态，但现有手段还不成熟，如由于车辆运行时间长、启停频繁等原因，车门传感器等会出现故障误报情况。如何充分整合、利用现有资源和技术，打破传统维修方式，把事后维修、定期维修转变为视情维修、预防性维修，从而有效降低维修保障费用、缩短维修时间、提高车辆完好率，还需要进一步探索。
各城市轨道交通企业相继采用先进的运营监测技术和智能信息化系统，提高供电系统和信号系统的安全性和稳定性，如弓网在线监测系统、微机监测系统等。供电系统维保方面，青岛、东莞等城市利用电力监控系统监测技术，实现对变电所供电设备的控制、保护、监视及运行数据的测量及传输，以及设备故障报警反馈、分合闸远程遥控等；成都、上海、深圳等城市利用弓网检测技术，对燃弧、弓网、轨道、限界等参数及弓网硬点、接触线磨耗等进行监测，能有效提升接触网运行质量，优化调整修程修制；青岛等城市利用可视化自动接地系统监测技术，监测接触轨带电状态、接地状态、自动接地设备运行状态等，能有效减少抢修时间、缩小事故范围、提高检修效率、节省定员编制。信号系统维保方面，重庆、哈尔滨、宁波、天津、合肥等城市采用维护支持系统监测和微机监测等技术，能采集道岔、信号机、外电网、电源屏、环境温湿度等信号设备及机房环境的模拟量、开关量、报警信息，能有效在ATS/ATP等系统故障情况下帮助信号维护人员定位故障设备，并实现对信号系统各设备的集中维护、监测和管理。
虽然通过上述维保技术和手段能在很大程度上及时发现供电和信号系统故障，减少对运营的影响，但仍存在很多不足，如电力监控系统调试效率和故障判断的准确性有待提高、故障点定位不够准确、设备稳定性有待优化增强等。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种多项目高度集成、自适应权重监测的基于自适应调控的轨道交通智能维保方法及系统。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于自适应调控的轨道交通智能维保方法，包括以下步骤：
步骤1，通过摄像检测单元对轨道交通进行拍照检测，得到图像检测风险因子。通过超声探伤单元对轨道交通进行超声探伤，得到超声检测风险因子。通过冲击检测单元对轨道交通进行冲击检测，得到冲击检测风险因子。对轨道交通进行标记，得到轨道交通的标记数据。
步骤2，预测模型的建立：预测模型包括分量预测模型、自适应权重融合预测模型和融合层，所述分量预测模型包括RNN网络模型和第一kalman滤波模型。所述自适应权重融合预测模型包括LSTM网络模型和第二kalman滤波模型。
RNN网络模型在反向传播过程中，对前向传播过程中预测得到的预测值通过第一kalman滤波模型进行第一kalman滤波估计，得到的第一kalman滤波估计值进入到RNN网络模型的反向传播过程中进行计算。得到的第一kalman滤波估计值进入到LSTM网络模型和融合层中。
LSTM网络模型在反向传播过程中，对前向传播过程中预测得到的预测值通过第二kalman滤波模型进行第二kalman滤波估计，得到的第二kalman滤波估计值进入到LSTM网络模型的反向传播过程中进行计算。得到的第二kalman滤波估计值进入到融合层中。
通过第一kalman滤波估计值、第二kalman滤波估计值对融合层的风险因子和权重进行自适应更新，得到更新后的融合估计风险因子。
步骤3，预测模型训练，将步骤1中得到的图像检测风险因子、超声检测风险因子、冲击检测风险因子、标记数据作为训练数据导入步骤2建立的预测模型中，对预测模型进行训练，得到训练好的预测模型。
步骤4，维保时，通过摄像检测单元对待维保轨道交通进行拍照检测，得到待维保图像检测风险因子。通过超声探伤单元对待维保轨道交通进行超声探伤，得到待维保超声检测风险因子。通过冲击检测单元对待维保轨道交通进行冲击检测，得到待维保冲击检测风险因子。
步骤5，将待维保图像检测风险因子、待维保超声检测风险因子、待维保冲击检测风险因子输入到训练好的预测模型中，得到融合估计风险因子。
步骤6，若融合估计风险因子在设定风险点阈值范围内，则判定待维保轨道交通的该风险点为安全。若融合估计风险因子不在设定风险点阈值范围内，则判定待维保轨道交通的该风险点存在风险。
优选的：所述RNN网络模型包括依次连接的第一输入层、第一隐藏层、第一输出层，所述第一输入层与摄像检测单元、超声探伤单元以及冲击检测单元连接。所述第一kalman滤波模型的输入端分别与第一输入层、第一输出层连接，所述第一kalman滤波模型的输出端分别与第一隐藏层、融合层、自适应权重融合预测模型连接。
优选的：所述LSTM网络模型包括依次连接的第二输入层、第二全连接长短期记忆网络、第二输出层，所述第二输入层与第一kalman滤波模型的输出端连接。所述第二kalman滤波模型的输入端分别与第二输入层、第二输出层连接。第二kalman滤波模型的输出端分别与第二全连接长短期记忆网络、融合层连接。
优选的：所述第二全连接长短期记忆网络包括依次连接的全连接无激励函数层、3层级联长短期记忆网络以及丢弃层。
优选的：所述LSTM网络模型中使用交叉熵损失函数作为损失函数计算损失值。
优选的：所述RNN网络模型中使用Huber误差损失函数作为损失函数计算损失值。
优选的：所述RNN网络模型采用tanh激活函数或softmax激活函数激活。
优选的：所述LSTM网络模型中采用sigmoid激活函数或tanh激活函数激活。
一种基于自适应调控的轨道交通智能维保方法的智能维保系统，包括摄像检测单元、超声探伤单元、冲击检测单元、预测模型单元、风险点判断单元、输出单元，所述预测模型单元包括分量预测模型模块、自适应权重融合预测模型和融合层，所述分量预测模型模块包括RNN网络模型子模块和第一kalman滤波模型子模块，所述自适应权重融合预测模型包括LSTM网络模型子模块和第二kalman滤波模型子模块，其中：
所述摄像检测单元用于对轨道交通进行拍照检测，得到图像检测风险因子。
所述超声探伤单元用于对轨道交通进行超声探伤，得到超声检测风险因子。
所述冲击检测单元用于对对轨道交通进行冲击检测，得到冲击检测风险因子。
所述RNN网络模型子模块用于根据图像检测风险因子、超声检测风险因子、冲击检测风险因子进行循环网路神经计算，在计算过程中，采用上一时刻的第一kalman滤波估计值作为隐藏态，得到RNN网络估计值。
所述第一kalman滤波模型子模块用于根据RNN网络估计值进行第一kalman滤波估计，得到第一kalman滤波估计值。
所述LSTM网络模型子模块用于根据融合估计风险因子进行循环网路神经计算，在计算过程中，采用上一时刻的第二kalman滤波估计值作为隐藏态，得到LSTM网络估计值。
所述第二kalman滤波模型子模块用于根据LSTM网络估计值进行第二kalman滤波估计，得到第二kalman滤波估计值，得到第二kalman滤波估计值作为融合层的自适应权重。
所述融合层用于根据第一kalman滤波估计值以及第二kalman滤波估计值得到融合估计风险因子。
所述风险点判断单元用于根据融合估计风险因子进行风险点判断，若融合估计风险因子在设定风险点阈值范围内，则判定待维保轨道交通的该风险点为安全，则通过输出单元输出待维保轨道交通的该风险点安全信号。若融合估计风险因子不在设定风险点阈值范围内，则判定待维保轨道交通的该风险点存在风险，则通过输出单元输出待维保轨道交通的该风险点警报信号。
本发明相比现有技术，具有以下有益效果：
本发明RNN网络模型在反向传播过程中，对前向传播过程中预测得到的预测值进行第一kalman滤波估计，得到的第一kalman滤波估计值进入到反向传播过程中进行计算。LSTM网络模型在反向传播过程中，对前向传播过程中预测得到的预测值进行第二kalman滤波估计，得到的第二kalman滤波估计值进入到反向传播过程中进行计算。通过第一kalman滤波估计值、第二kalman滤波估计值对融合层进行自适应更新，得到更新后的融合估计风险因子，因此本发明不仅鲁棒性高，而且得到融合估计风险因子精度高。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于自适应调控的轨道交通智能维保方法，如图1所示，包括以下步骤：
步骤1，通过摄像检测单元对轨道交通进行拍照检测，得到图像检测风险因子。通过超声探伤单元对轨道交通进行超声探伤，得到超声检测风险因子。通过冲击检测单元对轨道交通进行冲击检测，得到冲击检测风险因子。对轨道交通进行标记，得到轨道交通的标记数据。
步骤2，预测模型的建立：预测模型包括分量预测模型、自适应权重融合预测模型和融合层，所述分量预测模型包括RNN网络模型和第一kalman滤波模型。所述自适应权重融合预测模型包括LSTM网络模型和第二kalman滤波模型。
所述RNN网络模型包括依次连接的第一输入层、第一隐藏层、第一输出层，所述第一输入层与摄像检测单元、超声探伤单元以及冲击检测单元连接。所所述第一kalman滤波模型的输入端分别与第一输入层、第一输出层连接，所述第一kalman滤波模型的输出端分别与第一隐藏层、融合层、自适应权重融合预测模型连接。
RNN网络模型的第一隐藏层的神经元具有反馈机制，实现前后信息的传递，使得RNN 具备处理序列数据的能力。RNN网络模型完成训练后，预测下一时刻的输出。
RNN网络模型：
输入层：
Figure DEST_PATH_IMAGE002AA
隐藏层：
Figure DEST_PATH_IMAGE004A
输出层：
Figure DEST_PATH_IMAGE006A
其中，
Figure DEST_PATH_IMAGE002AAA
表示第一输入层输入的
Figure DEST_PATH_IMAGE008_15A
时刻的数据，
Figure DEST_PATH_IMAGE010A
，
Figure DEST_PATH_IMAGE012A
表示在
Figure DEST_PATH_IMAGE008_16A
时刻第
Figure DEST_PATH_IMAGE014_7A
个检测单元检测到的轨道交通的第
Figure DEST_PATH_IMAGE016_8A
个探测点的风险因子，
Figure DEST_PATH_IMAGE018AAA
，
Figure DEST_PATH_IMAGE020AAA
表示检测单元个数，
Figure DEST_PATH_IMAGE022AAA
，
Figure DEST_PATH_IMAGE024AAA
表示摄像检测单元，
Figure DEST_PATH_IMAGE026AAA
表示超声探伤单元，
Figure DEST_PATH_IMAGE028AAA
表示冲击检测单元，
Figure DEST_PATH_IMAGE030AAA
，
Figure DEST_PATH_IMAGE032AAAA
表示轨道交通的探测点的个数，
Figure DEST_PATH_IMAGE034A
表示RNN网络
Figure DEST_PATH_IMAGE008_17A
时刻的隐藏态，
Figure DEST_PATH_IMAGE036A
表示RNN网络隐藏层激活函数，RNN网络隐藏层激活函数选用tanh激活函数，
Figure DEST_PATH_IMAGE038A
表示RNN网络隐藏层
Figure DEST_PATH_IMAGE008_18A
时刻输入数据的权重矩阵，
Figure DEST_PATH_IMAGE040A
表示RNN网络隐藏层
Figure DEST_PATH_IMAGE042A
时刻输出数据的权重矩阵，
Figure DEST_PATH_IMAGE044A
表示RNN网络隐藏层偏移量矩阵，
Figure DEST_PATH_IMAGE046A
表示RNN网络输出层
Figure DEST_PATH_IMAGE008_19A
时刻输出的估计值，
Figure DEST_PATH_IMAGE048A
表示RNN网络输出层激活函数，RNN网络输出层激活函数选用softmax激活函数，
Figure DEST_PATH_IMAGE050A
表示RNN网络输出层
Figure DEST_PATH_IMAGE008_20A
时刻输入数据的权重矩阵，
Figure DEST_PATH_IMAGE052A
表示RNN网络输出层偏移量矩阵。
RNN网络模型在
Figure DEST_PATH_IMAGE008_21A
时刻的前向传播过程中，先沿时间轴方向，形成一层单向循环神经网络；然后再沿网络层级方向，以一层循环神经网络为单位，逐层叠加形成深度循环神经网络。在反向传播过程中，对前向传播过程中预测得到的预测值进行第一kalman滤波估计，得到第一kalman滤波估计值，得到的第一kalman滤波估计值通过损失函数进行损失计算后，在采用梯度下降法得到RNN网络模型参数的极大似然估计，得到的极大似然估计作为下一时刻前向传播过程中的隐藏态。
神经网络模型采用梯度下降法得到模型参数的极大似然估计，反向传播是求损失函数对模型参数的偏导数（即参数梯度）并用其更新该型参数的过程。
kalman滤波：
考虑如下所示的离散系统：
Figure DEST_PATH_IMAGE054A
（1）
其中，
Figure DEST_PATH_IMAGE056A
表示当前时刻，
Figure DEST_PATH_IMAGE058AA
表示上一时刻，
Figure DEST_PATH_IMAGE060AA
为当前时刻系统的状态向量，
Figure DEST_PATH_IMAGE062A
为上一时刻系统的状态向量，
Figure DEST_PATH_IMAGE064A
为系统矩阵，
Figure DEST_PATH_IMAGE066A
为控制输入，
Figure DEST_PATH_IMAGE068A
为输入矩阵，
Figure DEST_PATH_IMAGE070AAA
为系统噪声，
Figure DEST_PATH_IMAGE072AA
为当前时刻系统输出，
Figure DEST_PATH_IMAGE074AA
为输出矩阵，
Figure DEST_PATH_IMAGE076AAAA
为系统测量噪声。
Figure DEST_PATH_IMAGE070AAAA
与
Figure DEST_PATH_IMAGE076_5A
相互独立，且与
Figure DEST_PATH_IMAGE060AAA
互不相关。假设
Figure DEST_PATH_IMAGE070_5A
与
Figure DEST_PATH_IMAGE076_6A
均为零均值的高斯白噪声，即满足：
Figure DEST_PATH_IMAGE078A
（2）
其中，
Figure DEST_PATH_IMAGE080A
表示数学期望。
定义如下的协方差矩阵：
Figure DEST_PATH_IMAGE082A
（3）
其中，
Figure DEST_PATH_IMAGE084A
表示协方差运算，
Figure DEST_PATH_IMAGE086A
表示
Figure DEST_PATH_IMAGE088A
的协方差矩阵，
Figure DEST_PATH_IMAGE090A
表示
Figure DEST_PATH_IMAGE076_7A
的协方差矩阵，上标
Figure DEST_PATH_IMAGE092A
表示矩阵转置运算。
假设在当前时刻，满足：
Figure DEST_PATH_IMAGE094AA
（4）
其中，
Figure DEST_PATH_IMAGE096A
表示当前时刻的估计值，
Figure DEST_PATH_IMAGE098A
表示当前时刻的预测值，
Figure DEST_PATH_IMAGE100AA
为卡尔曼增益矩阵，卡尔曼增益矩阵为待求的，
Figure DEST_PATH_IMAGE072AAA
为当前时刻系统输出，
Figure DEST_PATH_IMAGE074AAA
为输出矩阵。
联立（1）式和（4）式可得，如下的等式关系：
Figure DEST_PATH_IMAGE102A
（5）
其中，
Figure DEST_PATH_IMAGE104AAA
为真值与估计值之间的偏差，
Figure DEST_PATH_IMAGE106AAA
为单位矩阵。
定义如下的协方差矩阵：
Figure DEST_PATH_IMAGE108A
（6）
其中，
Figure DEST_PATH_IMAGE110AA
为
Figure DEST_PATH_IMAGE104AAAA
的协方差矩阵。
联立（3）、（5）和（6）可得：
Figure DEST_PATH_IMAGE112A
（7）
其中，
Figure DEST_PATH_IMAGE104_5A
为真值与估计值之间的偏差，
Figure DEST_PATH_IMAGE114A
，
Figure DEST_PATH_IMAGE116A
为真值与预测值之间的偏差，
Figure DEST_PATH_IMAGE118A
，
Figure DEST_PATH_IMAGE120A
为真值与预测值之间的偏差的协方差，
Figure DEST_PATH_IMAGE122A
。
对
Figure DEST_PATH_IMAGE110AAA
求迹，即：
Figure DEST_PATH_IMAGE124A
（8）
其中，
Figure DEST_PATH_IMAGE126A
表示迹运算。
对（8）式求关于
Figure DEST_PATH_IMAGE100AAA
的偏微分，可得：
Figure DEST_PATH_IMAGE128A
（9）
其中，
Figure DEST_PATH_IMAGE130A
为偏微分运算。
根据卡尔曼滤波的准则，令（9）式为零，可得:
Figure DEST_PATH_IMAGE132A
（10）
其中，上标
Figure DEST_PATH_IMAGE134A
表示矩阵求逆运算。
联立（7）式和（10）式，可得：
Figure DEST_PATH_IMAGE136AA
（11）
由于在当前时刻，满足：
Figure DEST_PATH_IMAGE138AA
（12）
其中，
Figure DEST_PATH_IMAGE140A
为
Figure DEST_PATH_IMAGE058AAA
时刻的估计值。
联立（1）和（12），可得：
Figure DEST_PATH_IMAGE142A
（13）
其中，
Figure DEST_PATH_IMAGE144A
。
那么，
Figure DEST_PATH_IMAGE146A
（14）
其中，
Figure DEST_PATH_IMAGE148A
。
由以上的推导过程可知，卡尔曼估计实际由两个过程组成：预测与校正，在预测阶段，滤波器使用上一状态的估计，做出对当前状态的预测。在校正阶段，滤波器利用对当前状态的观测值修正在预测阶段获得的预测值，以获得一个更接进真实值的新估计值。
当前时刻的预测值方程：
Figure DEST_PATH_IMAGE138AAA
（15）
更新预测协方差矩阵的方程：
Figure DEST_PATH_IMAGE150A
（16）
卡尔曼增益矩阵的计算方程：
Figure DEST_PATH_IMAGE152A
（17）
当前时刻的最优估计值方程：
Figure DEST_PATH_IMAGE094AAA
（18）
更新估计协方差矩阵的方程：
Figure DEST_PATH_IMAGE136AAA
（19）
由此可知，卡尔曼滤波器算法只需给定初始状态
Figure DEST_PATH_IMAGE154A
和初始估计协方差矩阵
Figure DEST_PATH_IMAGE156A
的值，便能基于当前时刻的测量值
Figure DEST_PATH_IMAGE072AAAA
得到系统状态的最优估计值
Figure DEST_PATH_IMAGE096AA
。首先，基于上一时刻的估计值，得到当前时刻的预测值，并通过预测协方差矩阵描述预测的准确性。同时，基于该矩阵计算卡尔曼增益矩阵
Figure DEST_PATH_IMAGE100AAAA
。然后，根据
Figure DEST_PATH_IMAGE072_5A
和
Figure DEST_PATH_IMAGE100_5A
得到当前时刻的最优估计值。最后，通过(19)更新估计协方差矩阵，并为下一时刻（
Figure DEST_PATH_IMAGE158A
）的递推做准备。卡尔曼滤波采用递推的方法，根据不同时刻的测量值，不断地预测与更新，并得到系统状态的最优估计值。本发明采用RNN网络模型在反向传播过程中，对前向传播过程中预测得到的预测值通过第一kalman滤波模型进行第一kalman滤波估计，得到的第一kalman滤波估计值进入到RNN网络模型的反向传播过程中进行计算。得到的第一kalman滤波估计值进入到LSTM网络模型和融合层中。
因此，第一kalman滤波模型的滤波过程为：
当前时刻的预测值方程：
Figure DEST_PATH_IMAGE160A
更新预测协方差矩阵的方程：
Figure DEST_PATH_IMAGE162A
卡尔曼增益矩阵的计算方程：
Figure DEST_PATH_IMAGE164A
当前时刻的最优估计值方程：
Figure DEST_PATH_IMAGE166A
更新估计协方差矩阵的方程：
Figure DEST_PATH_IMAGE168A
其中，
Figure DEST_PATH_IMAGE170A
表示第一kalman滤波预测值，
Figure DEST_PATH_IMAGE172A
，
Figure DEST_PATH_IMAGE174A
表示在
Figure DEST_PATH_IMAGE008_22A
时刻第
Figure DEST_PATH_IMAGE014_8A
个检测单元检测到的轨道交通的第
Figure DEST_PATH_IMAGE176A
个探测点的第一kalman滤波预测值，
Figure DEST_PATH_IMAGE018AAAA
，
Figure DEST_PATH_IMAGE020AAAA
表示检测单元个数，
Figure DEST_PATH_IMAGE022AAAA
，
Figure DEST_PATH_IMAGE024AAAA
表示摄像检测单元，
Figure DEST_PATH_IMAGE026AAAA
表示超声探伤单元，
Figure DEST_PATH_IMAGE028AAAA
表示冲击检测单元，
Figure DEST_PATH_IMAGE030AAAA
，
Figure DEST_PATH_IMAGE032_5A
表示轨道交通的探测点的个数，
Figure DEST_PATH_IMAGE178A
表示第一kalman滤波估计值，
Figure DEST_PATH_IMAGE180A
为第一kalman滤波的系统矩阵，
Figure DEST_PATH_IMAGE182A
为第一kalman滤波的输入矩阵，
Figure DEST_PATH_IMAGE184A
为第一kalman滤波的控制输入，
Figure DEST_PATH_IMAGE186A
为第一kalman滤波预测协方差矩阵，
Figure DEST_PATH_IMAGE188A
为第一kalman滤波估计协方差矩阵，
Figure DEST_PATH_IMAGE190A
为第一kalman滤波的系统噪声协方差矩阵，
Figure DEST_PATH_IMAGE192A
为第一kalman滤波的增益矩阵，
Figure DEST_PATH_IMAGE194A
为第一kalman滤波的输出矩阵，
Figure DEST_PATH_IMAGE196A
为第一kalman滤波的测量噪声协方差矩阵，
Figure DEST_PATH_IMAGE106AAAA
为单位矩阵。
所述LSTM网络模型包括依次连接的第二输入层、第二全连接长短期记忆网络、第二输出层，所述第二全连接长短期记忆网络包括依次连接的全连接无激励函数层、3层级联长短期记忆网络以及丢弃层。所述第二kalman滤波模型分别与第一输入层、第二输入层、第二输出层连接。
第二全连接长短期记忆网络包括遗忘门、输入门和输出门，其中：
遗忘门：
Figure DEST_PATH_IMAGE198A
输入门：
Figure DEST_PATH_IMAGE200A
Figure DEST_PATH_IMAGE202A
更新细胞状态：
Figure DEST_PATH_IMAGE204A
输出门：
Figure DEST_PATH_IMAGE206A
Figure DEST_PATH_IMAGE208A
其中，
Figure DEST_PATH_IMAGE210A
表示遗忘门，
Figure DEST_PATH_IMAGE212A
为LSTM网络的输入，
Figure DEST_PATH_IMAGE214A
，
Figure DEST_PATH_IMAGE216A
为隐藏态，
Figure DEST_PATH_IMAGE218A
为更新细胞态，
Figure DEST_PATH_IMAGE220A
为LSTM网络的输出。
Figure DEST_PATH_IMAGE222A
Figure DEST_PATH_IMAGE224A
Figure DEST_PATH_IMAGE226A
表示在
Figure DEST_PATH_IMAGE008_23A
时刻第
Figure DEST_PATH_IMAGE014_9A
个检测单元检测到的轨道交通的第
Figure DEST_PATH_IMAGE176AA
个探测点的LSTM网络动态估计权重。
Figure DEST_PATH_IMAGE228A
是sigmoid函数，*是Hadamard积；
所述LSTM网络模型中使用交叉熵损失函数作为损失函数计算损失值。
Figure DEST_PATH_IMAGE230A
其中，
Figure DEST_PATH_IMAGE232A
表示样本的标签，正类为1，负类为0，
Figure DEST_PATH_IMAGE234A
为样本
Figure DEST_PATH_IMAGE014_10A
预测为正类的概率，
Figure DEST_PATH_IMAGE032_6A
表示样本的总数。
LSTM网络模型在
Figure DEST_PATH_IMAGE008_24A
时刻的前向传播过程中，先沿时间轴方向，形成一层单向循环神经网络；然后再沿网络层级方向，以一层循环神经网络为单位，逐层叠加形成深度循环神经网；在反向传播过程中，对前向传播过程中预测得到的预测值进行第二kalman滤波估计，得到的第二kalman滤波估计值通过损失函数进行损失计算后，在采用梯度下降法得到LSTM网络模型参数的极大似然估计，得到的极大似然估计作为下一时刻前向传播过程中的隐藏态。
根据公式（15）-（19）可知，所述第二kalman滤波模型的滤波过程为：
当前时刻的预测值方程：
Figure DEST_PATH_IMAGE236A
更新预测协方差矩阵的方程：
Figure DEST_PATH_IMAGE238A
卡尔曼增益矩阵的计算方程：
Figure DEST_PATH_IMAGE240A
当前时刻的最优估计值方程：
Figure DEST_PATH_IMAGE242A
更新估计协方差矩阵的方程：
Figure DEST_PATH_IMAGE244A
其中，
Figure DEST_PATH_IMAGE246A
表示在
Figure DEST_PATH_IMAGE008_25A
时刻第
Figure DEST_PATH_IMAGE014_11A
个检测单元检测到的轨道交通的第
Figure DEST_PATH_IMAGE176AAA
个探测点的第二kalman滤波预测权重，
Figure DEST_PATH_IMAGE018_5A
，
Figure DEST_PATH_IMAGE020_5A
表示检测单元个数，
Figure DEST_PATH_IMAGE022_5A
，
Figure DEST_PATH_IMAGE024_5A
表示摄像检测单元，
Figure DEST_PATH_IMAGE026_5A
表示超声探伤单元，
Figure DEST_PATH_IMAGE028_5A
表示冲击检测单元，
Figure DEST_PATH_IMAGE030_5A
，
Figure DEST_PATH_IMAGE032_7A
表示轨道交通的探测点的个数，
Figure DEST_PATH_IMAGE248A
表示在
Figure DEST_PATH_IMAGE008_26A
时刻第
Figure DEST_PATH_IMAGE014_12A
个检测单元检测到的轨道交通的第
Figure DEST_PATH_IMAGE176AAAA
个探测点的第二kalman滤波估计权重，
Figure DEST_PATH_IMAGE250A
为第二kalman滤波的系统矩阵，
Figure DEST_PATH_IMAGE252A
为第二kalman滤波的输入矩阵，
Figure DEST_PATH_IMAGE254A
为第二kalman滤波的控制输入，
Figure DEST_PATH_IMAGE256A
为第二kalman滤波预测协方差矩阵，
Figure DEST_PATH_IMAGE258A
为第二kalman滤波估计协方差矩阵，
Figure DEST_PATH_IMAGE260A
为第二kalman滤波的系统噪声协方差矩阵，
Figure DEST_PATH_IMAGE262A
为第二kalman滤波的增益矩阵，
Figure DEST_PATH_IMAGE264A
为第二kalman滤波的输出矩阵，
Figure DEST_PATH_IMAGE266A
为第二kalman滤波的测量噪声协方差矩阵，
Figure DEST_PATH_IMAGE106_5A
为单位矩阵。
本发明采用LSTM网络模型在反向传播过程中，对前向传播过程中预测得到的预测值通过第二kalman滤波模型进行第二kalman滤波估计，得到的第二kalman滤波估计值进入到LSTM网络模型的反向传播过程中进行计算。得到的第二kalman滤波估计值进入到融合层中。
所述融合层分别与第一kalman滤波模型、第二kalman滤波模型连接。通过第一kalman滤波估计值、第二kalman滤波估计值对融合层的风险因子和权重进行自适应更新，得到更新后的融合估计风险因子。
Figure DEST_PATH_IMAGE268A
其中，
Figure DEST_PATH_IMAGE270A
表示在
Figure DEST_PATH_IMAGE008_27A
时刻轨道交通的第
Figure DEST_PATH_IMAGE176_5A
个探测点的融合风险因子，
Figure DEST_PATH_IMAGE174AA
表示在
Figure DEST_PATH_IMAGE008_28A
时刻第
Figure DEST_PATH_IMAGE014_13A
个检测单元检测到的轨道交通的第
Figure DEST_PATH_IMAGE176_6A
个探测点的第一kalman滤波预测值，
Figure DEST_PATH_IMAGE246AA
表示在
Figure DEST_PATH_IMAGE008_29A
时刻第
Figure DEST_PATH_IMAGE014_14A
个检测单元检测到的轨道交通的第
Figure DEST_PATH_IMAGE176_7A
个探测点的第二kalman滤波预测权重，
Figure DEST_PATH_IMAGE272
表示检测单元个数。
步骤3，预测模型训练，将步骤1中得到的图像检测风险因子、超声检测风险因子、冲击检测风险因子、标记数据作为训练数据导入预测模型中，对预测模型进行训练，得到训练好的预测模型。
步骤4，维保时，通过摄像检测单元对待维保轨道交通进行拍照检测，得到待维保图像检测风险因子。通过超声探伤单元对待维保轨道交通进行超声探伤，得到待维保超声检测风险因子。通过冲击检测单元对待维保轨道交通进行冲击检测，得到待维保冲击检测风险因子。
步骤5，将待维保图像检测风险因子、待维保超声检测风险因子、待维保冲击检测风险因子输入到训练好的预测模型中，得到融合估计风险因子。
步骤6，若融合估计风险因子在设定阈值范围内，则判定待维保轨道交通为安全。若融合估计风险因子不在设定阈值范围内，则判定待维保轨道交通存在风险点，且风险点为融合估计风险因子不在设定阈值范围内的点。
一种轨道交通智能维保系统，包括摄像检测单元、超声探伤单元、冲击检测单元、预测模型单元、风险点判断单元、输出单元，所述预测模型单元包括分量预测模型模块、自适应权重融合预测模型和融合层，所述分量预测模型模块包括RNN网络模型子模块和第一kalman滤波模型子模块，所述自适应权重融合预测模型包括LSTM网络模型子模块和第二kalman滤波模型子模块，其中：
所述摄像检测单元用于对轨道交通进行拍照检测，得到图像检测风险因子。
所述超声探伤单元用于对轨道交通进行超声探伤，得到超声检测风险因子。
所述冲击检测单元用于对对轨道交通进行冲击检测，得到冲击检测风险因子。
所述RNN网络模型子模块用于根据图像检测风险因子、超声检测风险因子、冲击检测风险因子进行循环网路神经计算，在计算过程中，采用上一时刻的第一kalman滤波估计值作为隐藏态，得到RNN网络估计值。
所述第一kalman滤波模型子模块用于根据RNN网络估计值进行第一kalman滤波估计，得到第一kalman滤波估计值。
所述LSTM网络模型子模块用于根据融合估计风险因子进行循环网路神经计算，在计算过程中，采用上一时刻的第二kalman滤波估计值作为隐藏态，得到LSTM网络估计值。
所述第二kalman滤波模型子模块用于根据LSTM网络估计值进行第二kalman滤波估计，得到第二kalman滤波估计值，得到第二kalman滤波估计值作为融合层的自适应权重。
所述融合层用于根据第一kalman滤波估计值以及第二kalman滤波估计值得到融合估计风险因子。
所述风险点判断单元用于根据融合估计风险因子进行风险点判断，若融合估计风险因子在设定风险点阈值范围内，则判定待维保轨道交通的该风险点为安全，则通过输出单元输出待维保轨道交通的该风险点安全信号。若融合估计风险因子不在设定风险点阈值范围内，则判定待维保轨道交通的该风险点存在风险，则通过输出单元输出待维保轨道交通的该风险点警报信号。
本发明通过RNN网络模型+第一kalman滤波对图像检测风险因子、超声检测风险因子、冲击检测风险因子进行循环网路神经计算，提高了系统的鲁棒性，同时提高了图像检测风险因子、超声检测风险因子、冲击检测风险因子的预测精度。通过LSTM网络模型+第二kalman滤波对融合层的融合权重自适应更新，融合层根据更新后的融合权重和第一kalman滤波估计，得到更新后的融合估计风险因子，本发明融合了图像检测、超声检测、冲击检测，使得风险点估计精度提高。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于自适应调控的轨道交通智能维保方法，其特征在于，包括以下步骤：
步骤1，通过摄像检测单元对轨道交通进行拍照检测，得到图像检测风险因子；通过超声探伤单元对轨道交通进行超声探伤，得到超声检测风险因子；通过冲击检测单元对轨道交通进行冲击检测，得到冲击检测风险因子；对轨道交通进行标记，得到轨道交通的标记数据；
步骤2，预测模型的建立：预测模型包括分量预测模型、自适应权重融合预测模型和融合层，所述分量预测模型包括RNN网络模型和第一kalman滤波模型；所述自适应权重融合预测模型包括LSTM网络模型和第二kalman滤波模型；
RNN网络模型在反向传播过程中，对前向传播过程中预测得到的预测值通过第一kalman滤波模型进行第一kalman滤波估计，得到的第一kalman滤波估计值进入到RNN网络模型的反向传播过程中进行计算；得到的第一kalman滤波估计值进入到LSTM网络模型和融合层中；
LSTM网络模型在反向传播过程中，对前向传播过程中预测得到的预测值通过第二kalman滤波模型进行第二kalman滤波估计，得到的第二kalman滤波估计值进入到LSTM网络模型的反向传播过程中进行计算；得到的第二kalman滤波估计值进入到融合层中；
通过第一kalman滤波估计值、第二kalman滤波估计值对融合层的风险因子和权重进行自适应更新，得到更新后的融合估计风险因子；
步骤3，预测模型训练，将步骤1中得到的图像检测风险因子、超声检测风险因子、冲击检测风险因子、标记数据作为训练数据导入步骤2建立的预测模型中，对预测模型进行训练，得到训练好的预测模型；
步骤4，维保时，通过摄像检测单元对待维保轨道交通进行拍照检测，得到待维保图像检测风险因子；通过超声探伤单元对待维保轨道交通进行超声探伤，得到待维保超声检测风险因子；通过冲击检测单元对待维保轨道交通进行冲击检测，得到待维保冲击检测风险因子；
步骤5，将待维保图像检测风险因子、待维保超声检测风险因子、待维保冲击检测风险因子输入到训练好的预测模型中，得到融合估计风险因子；
步骤6，若融合估计风险因子在设定风险点阈值范围内，则判定待维保轨道交通的该风险点为安全；若融合估计风险因子不在设定风险点阈值范围内，则判定待维保轨道交通的该风险点存在风险。
2.根据权利要求1所述基于自适应调控的轨道交通智能维保方法，其特征在于：所述RNN网络模型包括依次连接的第一输入层、第一隐藏层、第一输出层，所述第一输入层与摄像检测单元、超声探伤单元以及冲击检测单元连接；所述第一kalman滤波模型的输入端分别与第一输入层、第一输出层连接，所述第一kalman滤波模型的输出端分别与第一隐藏层、融合层、自适应权重融合预测模型连接。
3.根据权利要求2所述基于自适应调控的轨道交通智能维保方法，其特征在于：所述LSTM网络模型包括依次连接的第二输入层、第二全连接长短期记忆网络、第二输出层，所述第二输入层与第一kalman滤波模型的输出端连接；所述第二kalman滤波模型的输入端分别与第二输入层、第二输出层连接；第二kalman滤波模型的输出端分别与第二全连接长短期记忆网络、融合层连接。
4.根据权利要求3所述基于自适应调控的轨道交通智能维保方法，其特征在于：所述第二全连接长短期记忆网络包括依次连接的全连接无激励函数层、3层级联长短期记忆网络以及丢弃层。
5.根据权利要求4所述基于自适应调控的轨道交通智能维保方法，其特征在于：所述LSTM网络模型中使用交叉熵损失函数作为损失函数计算损失值。
6.根据权利要求5所述基于自适应调控的轨道交通智能维保方法，其特征在于：所述RNN网络模型中使用Huber误差损失函数作为损失函数计算损失值。
7.根据权利要求6所述基于自适应调控的轨道交通智能维保方法，其特征在于：所述RNN网络模型采用tanh激活函数或softmax激活函数激活。
8.根据权利要求7所述基于自适应调控的轨道交通智能维保方法，其特征在于：所述LSTM网络模型中采用sigmoid激活函数或tanh激活函数激活。
9.一种基于权利要求1所述基于自适应调控的轨道交通智能维保方法的智能维保系统，其特征在于：包括摄像检测单元、超声探伤单元、冲击检测单元、预测模型单元、风险点判断单元、输出单元，所述预测模型单元包括分量预测模型模块、自适应权重融合预测模型和融合层，所述分量预测模型模块包括RNN网络模型子模块和第一kalman滤波模型子模块，所述自适应权重融合预测模型包括LSTM网络模型子模块和第二kalman滤波模型子模块，其中：
所述摄像检测单元用于对轨道交通进行拍照检测，得到图像检测风险因子；
所述超声探伤单元用于对轨道交通进行超声探伤，得到超声检测风险因子；
所述冲击检测单元用于对对轨道交通进行冲击检测，得到冲击检测风险因子；
所述RNN网络模型子模块用于根据图像检测风险因子、超声检测风险因子、冲击检测风险因子进行循环网路神经计算，在计算过程中，采用上一时刻的第一kalman滤波估计值作为隐藏态，得到RNN网络估计值；
所述第一kalman滤波模型子模块用于根据RNN网络估计值进行第一kalman滤波估计，得到第一kalman滤波估计值；
所述LSTM网络模型子模块用于根据融合估计风险因子进行循环网路神经计算，在计算过程中，采用上一时刻的第二kalman滤波估计值作为隐藏态，得到LSTM网络估计值；
所述第二kalman滤波模型子模块用于根据LSTM网络估计值进行第二kalman滤波估计，得到第二kalman滤波估计值，得到第二kalman滤波估计值作为融合层的自适应权重；
所述融合层用于根据第一kalman滤波估计值以及第二kalman滤波估计值得到融合估计风险因子；
所述风险点判断单元用于根据融合估计风险因子进行风险点判断，若融合估计风险因子在设定风险点阈值范围内，则判定待维保轨道交通的该风险点为安全，则通过输出单元输出待维保轨道交通的该风险点安全信号；若融合估计风险因子不在设定风险点阈值范围内，则判定待维保轨道交通的该风险点存在风险，则通过输出单元输出待维保轨道交通的该风险点警报信号。
CN202211454937.7A 2022-11-21 2022-11-21 基于自适应调控的轨道交通智能维保方法及系统 Active CN115577860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211454937.7A CN115577860B (zh) 2022-11-21 2022-11-21 基于自适应调控的轨道交通智能维保方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211454937.7A CN115577860B (zh) 2022-11-21 2022-11-21 基于自适应调控的轨道交通智能维保方法及系统

Publications (2)

Publication Number Publication Date
CN115577860A true CN115577860A (zh) 2023-01-06
CN115577860B CN115577860B (zh) 2023-04-07

Family

ID=84589178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211454937.7A Active CN115577860B (zh) 2022-11-21 2022-11-21 基于自适应调控的轨道交通智能维保方法及系统

Country Status (1)

Country Link
CN (1) CN115577860B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115728389A (zh) * 2023-01-12 2023-03-03 南京地铁运营咨询科技发展有限公司 轨道交通车辆构件质量检测装置和方法
CN117726830A (zh) * 2024-02-07 2024-03-19 南京地铁运营咨询科技发展有限公司 基于单目图像的弓网在线检测方法、系统及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492814A (zh) * 2018-11-15 2019-03-19 中国科学院深圳先进技术研究院 一种城市交通流量预测方法、系统及电子设备
CN113469388A (zh) * 2021-09-06 2021-10-01 江苏中车数字科技有限公司 轨道交通车辆维保系统及方法
CN114715216A (zh) * 2022-03-26 2022-07-08 北京交通运输职业学院 一种轨道交通智能维保系统及其控制方法
CN115271040A (zh) * 2022-07-22 2022-11-01 中山大学 一种基于自适应扩展卡尔曼滤波的车辆质量估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492814A (zh) * 2018-11-15 2019-03-19 中国科学院深圳先进技术研究院 一种城市交通流量预测方法、系统及电子设备
CN113469388A (zh) * 2021-09-06 2021-10-01 江苏中车数字科技有限公司 轨道交通车辆维保系统及方法
CN114715216A (zh) * 2022-03-26 2022-07-08 北京交通运输职业学院 一种轨道交通智能维保系统及其控制方法
CN115271040A (zh) * 2022-07-22 2022-11-01 中山大学 一种基于自适应扩展卡尔曼滤波的车辆质量估计方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115728389A (zh) * 2023-01-12 2023-03-03 南京地铁运营咨询科技发展有限公司 轨道交通车辆构件质量检测装置和方法
CN115728389B (zh) * 2023-01-12 2023-05-16 南京地铁运营咨询科技发展有限公司 轨道交通车辆构件质量检测装置和方法
CN117726830A (zh) * 2024-02-07 2024-03-19 南京地铁运营咨询科技发展有限公司 基于单目图像的弓网在线检测方法、系统及存储介质
CN117726830B (zh) * 2024-02-07 2024-04-23 南京地铁运营咨询科技发展有限公司 基于单目图像的弓网在线检测方法、系统及存储介质

Also Published As

Publication number Publication date
CN115577860B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115577860B (zh) 基于自适应调控的轨道交通智能维保方法及系统
CN107941537B (zh) 一种机械设备健康状态评估方法
Li et al. Industrial remaining useful life prediction by partial observation using deep learning with supervised attention
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN106873571B (zh) 一种基于数据和模型融合的预警方法
CN106872657A (zh) 一种多变量水质参数时序数据异常事件检测方法
CN113305645B (zh) 一种基于混合神经模型的数控机床刀具剩余寿命预测方法
CN104239694A (zh) 一种城轨列车转向架的故障预测与视情维修方法
CN104318347A (zh) 一种基于多传感器信息融合的输电线路覆冰状态评估方法
CN108257365B (zh) 一种基于全局不确定性证据动态融合的工业报警器设计方法
CN113759868B (zh) 一种基于神经网络的工业以太网故障预测方法
CN110570013A (zh) 一种单站位在线波周期数据的预测诊断方法
CN113761728A (zh) 基于车联网平台的机场电动特种车辆故障预警方法
CN116595319A (zh) 应用于轨道交通电机健康状态评估的预测方法及系统
CN113147768B (zh) 基于多算法融合预测的汽车路面状态在线估计系统及方法
CN113033625A (zh) 一种基于神经网络和集成学习融合的工业空调故障诊断方法
Niu et al. Machine condition prediction based on long short term memory and particle filtering
CN115222160B (zh) 一种基于实测大数据的轨道交通牵引负荷预测方法
CN116244600A (zh) 一种gis间歇性放电模式识别模型的构建方法、系统及设备
Kong et al. Distributed cooperative sliding mode fault-tolerant control for multiple high-speed trains based on actor-critic neural network
Zhang et al. Research on intelligent health management technology of opto-electronic equipment
Yang et al. Anomaly detection of automobile welding workstation based on stacked autoencoders and long short-term memory network
CN112816211A (zh) 一种基于pso-bp算法的带式输送机故障诊断的方法
CN111444658A (zh) 一种槽型轨几何参数趋势预测方法及系统
CN110866652A (zh) 一种基于lstm模型的在线pmu数据纠错方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant